MemTensor/MemOS

MemOS 2.0 – 面向 LLM 與 AI 代理的記憶作業系統

是什麼 – MemOS（Memory OS）是一項服務，為大型語言模型代理提供持久、可搜尋且可編輯的記憶儲存。它將記憶視為由節點（文字、影像、工具追蹤、人物設定等）構成的圖結構，支援透過自然語言或向量搜尋進行查詢，並可作為完全管理的雲端 API 或本地自托管服務運行。

為何重要 – 目前的 LLM 部署將上下文視為短期視窗；MemOS 則新增了一個長期的「大腦」，使代理能回憶過去互動、進化技能，並在使用者、專案或多個代理之間共享或隔離知識。倉儲中引用的基準測試（LoCoMo 88.83，LongMemEval 89.20，OmniMemEval 領先）顯示其性能優於現有商業記憶產品。

---

核心功能（如 README 所述）

功能	作用
統一記憶 API	一套 HTTP 端點用於新增、檢索、編輯和刪除記憶；資料模型為圖結構，而非黑箱向量儲存。
多模態支援	可同時儲存文字、影像、工具追蹤日誌與人物資料，支援聯合檢索與推理。
記憶立方體	邏輯上的「知識庫」，可在使用者/代理間組合、隔離或共享。
非同步攝入（MemScheduler）	支援高併發寫入，延遲低至毫秒級。
回饋驅動修正	可透過自然語言回饋（如「替換這個事實」）對記憶進行優化。
混合檢索	結合全文搜尋（FTS5）與向量相似度，實現快速準確的查找。
本地優先 SQLite 儲存	本地插件將所有內容儲存在本地，無需雲端服務。
雲端服務	無需基礎設施的託管版本，透過 API 金鑰存取。
代理插件	為 OpenClaw、Hermes 和 DeepSeek Harness 提供的現成插件（含雲端與本地版本）。
儀表板 / 查看器	Web UI 用於檢查和編輯記憶圖。

---

典型使用情境

• 跨會話記住使用者偏好的個人助理（「我喜歡草莓」）。
• 可檢索歷史工單或帳戶記錄的客戶支援機器人。
• 多代理系統中，代理共享公共知識庫或保持獨立私有立方體。
• 存儲 L1 追蹤、L2 策略、L3 世界模型更新的技能進化流程，實現持續學習。

---

快速啟動選項

模式	啟動方式	基礎設施
雲端 API	註冊 → 取得 mpg-... API 金鑰 → 呼叫 /add/message 與 /search/memory 端點。	無（由 MemOS 托管）。
自托管（Docker）	git clone … && cd MemOS && cp docker/.env.example .env && docker compose up	Neo4j + Qdrant 容器（圖資料庫 + 向量資料庫）。
自托管（uvicorn）	同一倉儲，啟動 Neo4j 與 Qdrant 後執行 uvicorn memos.api.server_api:app …。	Neo4j + Qdrant 服務。
本地插件	在現有 OpenClaw、Hermes 或 DeepSeek Harness 環境中執行 npm install @memtensor/memos-local-plugin（或執行提供的 install.sh 腳本）。	僅需 Node.js；記憶儲存在本地 SQLite。
雲端插件	執行 openclaw plugins install @memtensor/memos-cloud-openclaw-plugin@latest（或 DSH 等效命令）。	使用 MemOS 雲端服務；無需本地資料庫。

---

範例程式碼（Python，雲端 API）

import requests
API_KEY = "mpg-..."
BASE = "https://memos.memtensor.cn/api/openmem/v1"
HEADERS = {"Authorization": f"Token {API_KEY}", "Content-Type": "application/json"}
# 新增記憶
requests.post(f"{BASE}/add/message", headers=HEADERS, json={
    "user_id": "alice",
    "conversation_id": "conv_001",
    "messages": [{"role": "user", "content": "I like strawberry"}],
})
# 查詢
resp = requests.post(f"{BASE}/search/memory", headers=HEADERS, json={
    "query": "What do I like?",
    "user_id": "alice",
})
print(resp.json())

---

社群與資源

• 文件與教學 – https://memos-docs.openmem.net/
• GitHub – https://github.com/MemTensor/MemOS（問題、討論）
• Discord – https://discord.gg/Txbx3gebZR
• 論文 – arXiv 2507.03724 (MemOS: A Memory OS for AI System)

---

授權

Apache 2.0（請參閱倉儲中的 LICENSE 檔案）。

---

總結 – MemOS 為基於 LLM 的代理提供了生產就緒、即插即用的記憶層，支援雲端管理與完全本地部署路徑，並已整合多個流行開源代理。